Embedding
개요
임베딩(Embedding)은공지능, 특히 자연어 처리(NLP), 컴퓨터 비전, 추천 시스템 등 다양한 분야에서 핵심적인 기술로 사용되는 고차원 데이터를 저차원의 밀집 벡터(dense vector)로 변환하는 과정을 의미합니다. 이 기술은 원시 데이터(예: 단어, 문장, 이미지, 사용자 행동)의 의미적 또는 구조적 특성을 보존하면서도 계산 효율성을 높이는 데 기여합니다. 임베딩은 기계가 인간의 언어나 행동 패턴을 이해하고 처리할 수 있도록 돕는 중요한 다리 역할을 합니다.
기계학습 모델은 일반적으로 숫자 형태의 입력을 필요로 하지만, 텍스트와 같은 범주형 데이터는 원래 형태로는 모델에 직접 입력하기 어렵습니다. 예를 들어, 단어 '고양이'와 '개'는 단순히 서로 다른 기호일 뿐이지만, 임베딩을 통해 이들이 동물이라는 공통 속성이나 유사한 의미적 거리를 가지도록 표현할 수 있습니다.
임베딩의 원리와 목적
임베딩의 핵심 목적은 차원 축소(dimensionality reduction)와 의미 보존(semantic preservation)입니다. 예를 들어, 단어 집합이 10,000개라면 원-핫 인코딩(one-hot encoding)은 각 단어를 10,000차원의 희소 벡터(sparse vector)로 표현합니다. 이는 계산 비용이 크고, 단어 간 유사성을 반영하지 못합니다.
반면, 임베딩은 각 단어를 일반적으로 50~300차원의 밀집 벡터(dense vector)로 표현하며, 유사한 의미를 가진 단어들은 벡터 공간에서 가까운 위치에 배치됩니다. 예를 들어, '왕'과 '여왕'은 벡터 공간에서 비슷한 방향과 거리를 가지며, '왕 - 남자 + 여자 ≈ 여왕'과 같은 벡터 연산이 가능해집니다.
임베딩은 분포 가설(Distributional Hypothesis)에 기반합니다. 이 가설은 "비슷한 문맥에서 사용되는 단어는 비슷한 의미를 가진다"는 개념으로, Word2Vec, GloVe, FastText 등의 대표적인 임베딩 기법들이 이를 활용합니다.
주요 임베딩 기법
1. Word2Vec
Word2Vec은 구글이 2013년에 제안한 대표적인 단어 임베딩 기법으로, 두 가지 아키텍처를 제공합니다:
- CBOW(Continuous Bag of Words): 주변 단어들로부터 중심 단어를 예측
- Skip-gram: 중심 단어로부터 주변 단어를 예측
Word2Vec은 대량의 텍스트 코퍼스를 학습하여 단어 간의 의미적 관계를 효과적으로 포착합니다.
2. GloVe (Global Vectors for Word Representation)
GloVe는 스탠퍼드 대학에서 개발된 기법으로, 단어 쌍의 공출현 빈도(co-occurrence frequency)에 기반하여 임베딩을 생성합니다. Word2Vec이 지역적인 문맥 정보를 활용한다면, GloVe는 전역적인 통계 정보를 활용하여 더 안정적인 표현을 제공합니다.
3. FastText
페이스북(Facebook AI Research)에서 개발된 FastText는 단어를 구성하는 서브워드(subword) 단위(예: 접두사, 접미사, n-gram)로 분해하여 임베딩을 학습합니다. 이는 미등록 단어(OOV, Out-of-Vocabulary) 문제를 완화하고, 접두사/접미사 기반의 의미 유추에 강점을 가집니다.
4. 문장 및 문서 임베딩
단어 임베딩을 넘어서 문장이나 문서 전체를 하나의 벡터로 표현하는 기법도 존재합니다:
- Sentence-BERT(SBERT): BERT 기반의 문장 임베딩 모델로, 문장 간 유사도 계산에 최적화됨
- Doc2Vec: Word2Vec의 확장판으로, 문서 전체를 하나의 벡터로 표현
임베딩의 활용 분야
| 분야 |
활용 예시 |
| 자연어 처리 |
번역, 감성 분석, 질의 응답 시스템 |
| 추천 시스템 |
사용자와 아이템의 임베딩을 통해 맞춤형 추천 |
| 컴퓨터 비전 |
이미지 특징 벡터로 사용 (예: CLIP 모델) |
| 지식 그래프 |
엔티티와 관계를 벡터 공간에 임베딩 (예: TransE) |
임베딩의 평가 방법
임베딩의 품질은 다음과 같은 방법으로 평가됩니다:
- 유사도 평가: 사전에 정의된 단어 쌍의 유사도와 임베딩 간 거리의 상관관계 측정
- 유추 과제(Analogy Task): "남자 : 왕 = 여자 : ?"과 같은 유추 문제 해결 능력 평가
- 하류 과제 성능: 감성 분석, 개체명 인식 등 실제 NLP 과제에서의 성능
임베딩은 단순한 데이터 형식의 변환(Transformation)을 넘어, 데이터 내부에 숨겨진 잠재적 특징(Latent Features)을 학습하는 과정입니다. 모델은 학습 과정에서 수많은 데이터 간의 관계를 분석하여, 명시적으로 정의되지 않은 추상적인 속성(예: 성별, 직업, 감정, 위계 등)을 벡터 공간의 특정 차원에 투영합니다. 결과적으로 임베딩 벡터의 각 차원은 데이터의 고유한 의미적 특성을 수치화한 것이 되며, 이를 통해 기계는 데이터 간의 고차원적인 상관관계를 수학적으로 계산할 수 있게 됩니다.
임베딩은 단어의 벡터값이 고정되어 있는지, 혹은 문맥에 따라 변하는지에 따라 정적 임베딩과 동적 임베딩으로 구분됩니다.
| 구분 |
정적 임베딩 (Static Embedding) |
동적 임베딩 (Contextualized Embedding) |
| 대표 모델 |
Word2Vec, GloVe, FastText |
BERT, GPT, RoBERTa, ELMo |
| 특징 |
단어당 하나의 고정된 벡터 할당 |
문맥에 따라 동일 단어도 다른 벡터 생성 |
| 다의어 처리 |
불가능 (여러 의미가 하나의 벡터에 혼재) |
가능 (주변 단어에 따라 의미 구분) |
| 계산 비용 |
낮음 (Lookup Table 방식) |
높음 (Transformer 등 모델 추론 필요) |
| 학습 방식 |
사전 학습 후 고정하여 사용 가능 |
입력 문장 전체를 통해 실시간 생성 |
최신 LLM의 임베딩 층과 토큰화
최신 대규모 언어 모델(LLM)에서는 단어 단위가 아닌 토큰(Token) 단위의 임베딩을 사용합니다.
- 토큰 임베딩(Token Embedding): BPE(Byte Pair Encoding) 등으로 분절된 토큰 ID를 고차원 벡터로 변환하는 첫 번째 층입니다. 이는 모델이 처리하는 가장 기초적인 의미 단위가 됩니다.
- 임베딩 층(Embedding Layer)의 역할: LLM의 최하단에 위치한 임베딩 층은 가중치 행렬(Weight Matrix) 역할을 하며, 학습 과정에서 역전파(Backpropagation)를 통해 각 토큰의 최적 벡터값이 업데이트됩니다.
- 포지셔널 인코딩(Positional Encoding): Transformer 구조의 LLM은 순차적 정보가 없으므로, 토큰 임베딩에 위치 정보를 더해 단어의 순서와 구조적 의미를 보존합니다.
최근 임베딩 기술은 RAG(Retrieval-Augmented Generation, 검색 증강 생성) 시스템의 핵심 요소로 활용됩니다. RAG는 모델의 내부 지식에만 의존하지 않고, 외부의 신뢰할 수 있는 지식 베이스에서 관련 정보를 검색하여 답변을 생성하는 구조입니다.
RAG 작동 흐름도:
사용자 질의 $\rightarrow$ 질의 임베딩(Embedding) $\rightarrow$ 벡터 DB 내 유사 벡터 검색(Similarity Search) $\rightarrow$ 관련 문서 추출(Retrieval) $\rightarrow$ 질의 + 추출 문서 $\rightarrow$ LLM 입력 $\rightarrow$ 최종 답변 생성
이 과정에서 벡터 데이터베이스(Vector DB)는 수백만 개의 임베딩 벡터를 효율적으로 저장하고, 고속 근사 최근접 이웃(ANN, Approximate Nearest Neighbor) 알고리즘을 통해 질의와 가장 유사한 의미를 가진 문서를 밀리초(ms) 단위로 찾아내는 역할을 합니다.
벡터 거리 측정 지표 및 수식
임베딩 공간에서 두 벡터 $\mathbf{A}$와 $\mathbf{B}$ 사이의 유사도나 거리를 측정하기 위해 다음과 같은 수학적 지표가 사용됩니다.
1. 코사인 유사도 (Cosine Similarity)
두 벡터 사이의 각도를 측정하며, 벡터의 크기보다 방향의 일치성을 중시합니다. 결과값은 -1에서 1 사이이며, 1에 가까울수록 유사합니다.
$$\text{Cosine Similarity} = \frac{\mathbf{A} \cdot \mathbf{B}}{\|\mathbf{A}\| \|\mathbf{B}\|} = \frac{\sum_{i=1}^{n} A_i B_i}{\sqrt{\sum_{i=1}^{n} A_i^2} \sqrt{\sum_{i=1}^{n} B_i^2}}$$
2. 유클리드 거리 (Euclidean Distance)
두 점 사이의 직선 거리를 측정합니다. 값이 작을수록 두 벡터가 공간상에서 가깝게 위치함을 의미합니다.
$$\text{Euclidean Distance} = \sqrt{\sum_{i=1}^{n} (A_i - B_i)^2}$$
3. 내적 (Dot Product)
두 벡터의 방향과 크기를 동시에 고려합니다. 정규화되지 않은 벡터의 경우 크기가 클수록 값이 커지므로, 주로 정규화된 임베딩에서 유사도 측정용으로 사용됩니다.
$$\text{Dot Product} = \mathbf{A} \cdot \mathbf{B} = \sum_{i=1}^{n} A_i B_i$$
임베딩 공간의 시각화 및 분석
고차원(예: 768차원)의 임베딩 벡터는 인간이 직접 확인할 수 없으므로, 차원 축소(Dimensionality Reduction) 기법을 통해 2차원 또는 3차원 평면에 시각화하여 분석합니다.
- PCA (Principal Component Analysis): 데이터의 분산이 가장 큰 방향으로 축을 투영하는 선형 차원 축소 기법입니다. 전체적인 데이터의 구조를 파악하는 데 유리합니다.
- t-SNE (t-distributed Stochastic Neighbor Embedding): 고차원에서 가까운 데이터 포인트는 저차원에서도 가깝게, 먼 포인트는 멀게 유지하는 비선형 기법입니다. 군집화(Clustering) 경향을 시각적으로 확인하는 데 매우 강력합니다.
- UMAP (Uniform Manifold Approximation and Projection): t-SNE보다 속도가 빠르며, 데이터의 국소적 구조뿐만 아니라 전역적 구조를 더 잘 보존하는 최신 기법입니다.
이러한 시각화를 통해 특정 주제의 단어들이 서로 뭉쳐 있는지, 혹은 모델이 편향된 군집을 형성하고 있는지 등을 정성적으로 분석할 수 있습니다.
참고 자료
- Mikolov, T. et al. (2013). Efficient Estimation of Word Representations in Vector Space
- Pennington, J., Socher, R., & Manning, C. (2014). GloVe: Global Vectors for Word Representation
- Bojanowski, P. et al. (2017). Enriching Word Vectors with Subword Information (FastText)
- Reimers, N. & Gurevych, I. (2019). Sentence-BERT: Sentence Embeddings using Siamese BERT-Networks
관련 문서
임베딩은 현대 인공지능의 기초 기술 중 하나로, 데이터의 의미를 수치적으로 표현하는 데 있어 필수적인 역할을 합니다. 지속적인 연구를 통해 더 정교하고 다의적 의미를 포착할 수 있는 임베딩 기법들이 개발되고 있으며, 이는 AI의 인간 언어 이해 능력을 크게 향상시키고 있습니다.
# Embedding
## 개요
**임베딩**(Embedding)은공지능, 특히 자연어 처리(NLP), 컴퓨터 비전, 추천 시스템 등 다양한 분야에서 핵심적인 기술로 사용되는 **고차원 데이터를 저차원의 밀집 벡터**(dense vector)로 변환하는 과정을 의미합니다. 이 기술은 원시 데이터(예: 단어, 문장, 이미지, 사용자 행동)의 의미적 또는 구조적 특성을 보존하면서도 계산 효율성을 높이는 데 기여합니다. 임베딩은 기계가 인간의 언어나 행동 패턴을 이해하고 처리할 수 있도록 돕는 중요한 다리 역할을 합니다.
기계학습 모델은 일반적으로 숫자 형태의 입력을 필요로 하지만, 텍스트와 같은 범주형 데이터는 원래 형태로는 모델에 직접 입력하기 어렵습니다. 예를 들어, 단어 '고양이'와 '개'는 단순히 서로 다른 기호일 뿐이지만, 임베딩을 통해 이들이 동물이라는 공통 속성이나 유사한 의미적 거리를 가지도록 표현할 수 있습니다.
## 임베딩의 원리와 목적
### 차원 축소와 의미 보존
임베딩의 핵심 목적은 **차원 축소**(dimensionality reduction)와 **의미 보존**(semantic preservation)입니다. 예를 들어, 단어 집합이 10,000개라면 원-핫 인코딩(one-hot encoding)은 각 단어를 10,000차원의 희소 벡터(sparse vector)로 표현합니다. 이는 계산 비용이 크고, 단어 간 유사성을 반영하지 못합니다.
반면, 임베딩은 각 단어를 일반적으로 50~300차원의 **밀집 벡터**(dense vector)로 표현하며, 유사한 의미를 가진 단어들은 벡터 공간에서 가까운 위치에 배치됩니다. 예를 들어, '왕'과 '여왕'은 벡터 공간에서 비슷한 방향과 거리를 가지며, '왕 - 남자 + 여자 ≈ 여왕'과 같은 벡터 연산이 가능해집니다.
### 분포 가설에 기반한 접근
임베딩은 **분포 가설**(Distributional Hypothesis)에 기반합니다. 이 가설은 "**비슷한 문맥에서 사용되는 단어는 비슷한 의미를 가진다**"는 개념으로, Word2Vec, GloVe, FastText 등의 대표적인 임베딩 기법들이 이를 활용합니다.
## 주요 임베딩 기법
### 1. Word2Vec
Word2Vec은 구글이 2013년에 제안한 대표적인 단어 임베딩 기법으로, 두 가지 아키텍처를 제공합니다:
- **CBOW**(Continuous Bag of Words): 주변 단어들로부터 중심 단어를 예측
- **Skip-gram**: 중심 단어로부터 주변 단어를 예측
Word2Vec은 대량의 텍스트 코퍼스를 학습하여 단어 간의 의미적 관계를 효과적으로 포착합니다.
### 2. GloVe (Global Vectors for Word Representation)
GloVe는 스탠퍼드 대학에서 개발된 기법으로, 단어 쌍의 **공출현 빈도**(co-occurrence frequency)에 기반하여 임베딩을 생성합니다. Word2Vec이 지역적인 문맥 정보를 활용한다면, GloVe는 전역적인 통계 정보를 활용하여 더 안정적인 표현을 제공합니다.
### 3. FastText
페이스북(Facebook AI Research)에서 개발된 FastText는 단어를 구성하는 **서브워드**(subword) 단위(예: 접두사, 접미사, n-gram)로 분해하여 임베딩을 학습합니다. 이는 미등록 단어(OOV, Out-of-Vocabulary) 문제를 완화하고, 접두사/접미사 기반의 의미 유추에 강점을 가집니다.
### 4. 문장 및 문서 임베딩
단어 임베딩을 넘어서 문장이나 문서 전체를 하나의 벡터로 표현하는 기법도 존재합니다:
- **Sentence-BERT**(SBERT): BERT 기반의 문장 임베딩 모델로, 문장 간 유사도 계산에 최적화됨
- **Doc2Vec**: Word2Vec의 확장판으로, 문서 전체를 하나의 벡터로 표현
## 임베딩의 활용 분야
| 분야 | 활용 예시 |
|------|-----------|
| 자연어 처리 | 번역, 감성 분석, 질의 응답 시스템 |
| 추천 시스템 | 사용자와 아이템의 임베딩을 통해 맞춤형 추천 |
| 컴퓨터 비전 | 이미지 특징 벡터로 사용 (예: CLIP 모델) |
| 지식 그래프 | 엔티티와 관계를 벡터 공간에 임베딩 (예: TransE) |
## 임베딩의 평가 방법
임베딩의 품질은 다음과 같은 방법으로 평가됩니다:
- **유사도 평가**: 사전에 정의된 단어 쌍의 유사도와 임베딩 간 거리의 상관관계 측정
- **유추 과제**(Analogy Task): "남자 : 왕 = 여자 : ?"과 같은 유추 문제 해결 능력 평가
- **하류 과제 성능**: 감성 분석, 개체명 인식 등 실제 NLP 과제에서의 성능
## 잠재적 특징 학습으로서의 임베딩
임베딩은 단순한 데이터 형식의 변환(Transformation)을 넘어, 데이터 내부에 숨겨진 **잠재적 특징(Latent Features)**을 학습하는 과정입니다. 모델은 학습 과정에서 수많은 데이터 간의 관계를 분석하여, 명시적으로 정의되지 않은 추상적인 속성(예: 성별, 직업, 감정, 위계 등)을 벡터 공간의 특정 차원에 투영합니다. 결과적으로 임베딩 벡터의 각 차원은 데이터의 고유한 의미적 특성을 수치화한 것이 되며, 이를 통해 기계는 데이터 간의 고차원적인 상관관계를 수학적으로 계산할 수 있게 됩니다.
## 정적 임베딩과 동적 임베딩의 차이
임베딩은 단어의 벡터값이 고정되어 있는지, 혹은 문맥에 따라 변하는지에 따라 정적 임베딩과 동적 임베딩으로 구분됩니다.
| 구분 | 정적 임베딩 (Static Embedding) | 동적 임베딩 (Contextualized Embedding) |
| :--- | :--- | :--- |
| **대표 모델** | Word2Vec, GloVe, FastText | BERT, GPT, RoBERTa, ELMo |
| **특징** | 단어당 하나의 고정된 벡터 할당 | 문맥에 따라 동일 단어도 다른 벡터 생성 |
| **다의어 처리** | 불가능 (여러 의미가 하나의 벡터에 혼재) | 가능 (주변 단어에 따라 의미 구분) |
| **계산 비용** | 낮음 (Lookup Table 방식) | 높음 (Transformer 등 모델 추론 필요) |
| **학습 방식** | 사전 학습 후 고정하여 사용 가능 | 입력 문장 전체를 통해 실시간 생성 |
## 최신 LLM의 임베딩 층과 토큰화
최신 대규모 언어 모델(LLM)에서는 단어 단위가 아닌 **토큰(Token)** 단위의 임베딩을 사용합니다.
- **토큰 임베딩(Token Embedding)**: BPE(Byte Pair Encoding) 등으로 분절된 토큰 ID를 고차원 벡터로 변환하는 첫 번째 층입니다. 이는 모델이 처리하는 가장 기초적인 의미 단위가 됩니다.
- **임베딩 층(Embedding Layer)의 역할**: LLM의 최하단에 위치한 임베딩 층은 가중치 행렬(Weight Matrix) 역할을 하며, 학습 과정에서 역전파(Backpropagation)를 통해 각 토큰의 최적 벡터값이 업데이트됩니다.
- **포지셔널 인코딩(Positional Encoding)**: Transformer 구조의 LLM은 순차적 정보가 없으므로, 토큰 임베딩에 위치 정보를 더해 단어의 순서와 구조적 의미를 보존합니다.
## RAG 시스템과 벡터 데이터베이스 활용
최근 임베딩 기술은 **RAG(Retrieval-Augmented Generation, 검색 증강 생성)** 시스템의 핵심 요소로 활용됩니다. RAG는 모델의 내부 지식에만 의존하지 않고, 외부의 신뢰할 수 있는 지식 베이스에서 관련 정보를 검색하여 답변을 생성하는 구조입니다.
**RAG 작동 흐름도:**
`사용자 질의` $\rightarrow$ `질의 임베딩(Embedding)` $\rightarrow$ `벡터 DB 내 유사 벡터 검색(Similarity Search)` $\rightarrow$ `관련 문서 추출(Retrieval)` $\rightarrow$ `질의 + 추출 문서 $\rightarrow$ LLM 입력` $\rightarrow$ `최종 답변 생성`
이 과정에서 **벡터 데이터베이스(Vector DB)**는 수백만 개의 임베딩 벡터를 효율적으로 저장하고, 고속 근사 최근접 이웃(ANN, Approximate Nearest Neighbor) 알고리즘을 통해 질의와 가장 유사한 의미를 가진 문서를 밀리초(ms) 단위로 찾아내는 역할을 합니다.
## 벡터 거리 측정 지표 및 수식
임베딩 공간에서 두 벡터 $\mathbf{A}$와 $\mathbf{B}$ 사이의 유사도나 거리를 측정하기 위해 다음과 같은 수학적 지표가 사용됩니다.
### 1. 코사인 유사도 (Cosine Similarity)
두 벡터 사이의 각도를 측정하며, 벡터의 크기보다 **방향의 일치성**을 중시합니다. 결과값은 -1에서 1 사이이며, 1에 가까울수록 유사합니다.
$$\text{Cosine Similarity} = \frac{\mathbf{A} \cdot \mathbf{B}}{\|\mathbf{A}\| \|\mathbf{B}\|} = \frac{\sum_{i=1}^{n} A_i B_i}{\sqrt{\sum_{i=1}^{n} A_i^2} \sqrt{\sum_{i=1}^{n} B_i^2}}$$
### 2. 유클리드 거리 (Euclidean Distance)
두 점 사이의 **직선 거리**를 측정합니다. 값이 작을수록 두 벡터가 공간상에서 가깝게 위치함을 의미합니다.
$$\text{Euclidean Distance} = \sqrt{\sum_{i=1}^{n} (A_i - B_i)^2}$$
### 3. 내적 (Dot Product)
두 벡터의 방향과 크기를 동시에 고려합니다. 정규화되지 않은 벡터의 경우 크기가 클수록 값이 커지므로, 주로 정규화된 임베딩에서 유사도 측정용으로 사용됩니다.
$$\text{Dot Product} = \mathbf{A} \cdot \mathbf{B} = \sum_{i=1}^{n} A_i B_i$$
## 임베딩 공간의 시각화 및 분석
고차원(예: 768차원)의 임베딩 벡터는 인간이 직접 확인할 수 없으므로, **차원 축소(Dimensionality Reduction)** 기법을 통해 2차원 또는 3차원 평면에 시각화하여 분석합니다.
- **PCA (Principal Component Analysis)**: 데이터의 분산이 가장 큰 방향으로 축을 투영하는 선형 차원 축소 기법입니다. 전체적인 데이터의 구조를 파악하는 데 유리합니다.
- **t-SNE (t-distributed Stochastic Neighbor Embedding)**: 고차원에서 가까운 데이터 포인트는 저차원에서도 가깝게, 먼 포인트는 멀게 유지하는 비선형 기법입니다. **군집화(Clustering)** 경향을 시각적으로 확인하는 데 매우 강력합니다.
- **UMAP (Uniform Manifold Approximation and Projection)**: t-SNE보다 속도가 빠르며, 데이터의 국소적 구조뿐만 아니라 전역적 구조를 더 잘 보존하는 최신 기법입니다.
이러한 시각화를 통해 특정 주제의 단어들이 서로 뭉쳐 있는지, 혹은 모델이 편향된 군집을 형성하고 있는지 등을 정성적으로 분석할 수 있습니다.
## 참고 자료
- Mikolov, T. et al. (2013). *Efficient Estimation of Word Representations in Vector Space*
- Pennington, J., Socher, R., & Manning, C. (2014). *GloVe: Global Vectors for Word Representation*
- Bojanowski, P. et al. (2017). *Enriching Word Vectors with Subword Information* (FastText)
- Reimers, N. & Gurevych, I. (2019). *Sentence-BERT: Sentence Embeddings using Siamese BERT-Networks*
## 관련 문서
- [자연어 처리](/wiki/NLP)
- [신경망](/wiki/Neural_Network)
- [BERT](/wiki/BERT)
- [추천 시스템](/wiki/Recommender_System)
임베딩은 현대 인공지능의 기초 기술 중 하나로, 데이터의 의미를 수치적으로 표현하는 데 있어 필수적인 역할을 합니다. 지속적인 연구를 통해 더 정교하고 다의적 의미를 포착할 수 있는 임베딩 기법들이 개발되고 있으며, 이는 AI의 인간 언어 이해 능력을 크게 향상시키고 있습니다.